刷动态规划的题,开始有点懵,现在刷的有点眉目了,感觉还是有点意思的。
什么是动态规划
看了下网上的解释,好像没什么好的解释,大概就是一种算法思想了,先要有大局观,要跳出来,不能把思维一直放在解题思路上。
动态规划三要素
- 阶段:就是把一个问题划分成多个相互关联的阶段;
- 状态:每个阶段都有自己的状态,当前状态是需要通过前一个状态转换过来的;
- 决策:每个状态的转化可能会有多个方案,这个时候就需要根据实际情况来做决策了。
举两个例子
leetcode第70题:爬梯子
- 描述:假设你正在爬楼梯。需要 n 阶你才能到达楼顶。每次你可以爬 1 或 2 个台阶。你有多少种不同的方法可以爬到楼顶呢?
- 分析下:这题是要求多少种方法爬到楼顶,我们要是一层一层地去计算肯定是不行的,因为要考虑前面是跳的一阶还是两阶,所以我们要把思维跳出来,把我们放到梯子外面来:
1、阶段:首先想下爬到i阶有几种方法,是不是只有两种:要么从i-1阶上去(只爬一阶),要么从i-2阶上去(一次爬两阶),抽象一下,就可以把整个过程分为多个3阶的梯子,这个3阶的梯子就是整个过程中的一个阶段;
2、状态:这题的状态就是爬梯子爬到的台阶,当前台阶需要从前一个台阶爬上来(状态的转移);
3、决策:因为这题求的是爬上楼顶的方法个数,所以每一种决策我们都需要累计。 - 实现:
public int climbStairs(int n) {
// 一阶只有一种方式
if (n == 1){
return 1;
}
// 两阶有两种方式,一次爬一阶或者一次爬两阶
if (n == 2){
return 2;
}
// first表示爬上i - 2阶的方法个数
// second表示爬上i - 1阶的方法个数
int first = 1, second = 2, result = 0;
for (int i = 3; i <= n; i++){
// 这里需要一点抽象的思维
// 爬上i阶只有两种可能:从i - 2阶一次爬两阶爬上去,或者从i - 1阶直接爬上去
// 所以爬上i阶的方法个数就=爬上i - 2阶的方法个数+爬上i - 1阶的方法个数,注意:是爬上i阶的方法个数,不是步数。
result = first + second;
// 爬上了一阶,所以要把状态都更新一下
first = second;
second = result;
}
return result;
}
是不是感觉有点意思,带点抽象的思维理解下。
然后再看个例子。
leetcode第714题:买卖股票的最佳时机含手续费
- 描述:给定一个整数数组 prices,其中 prices[i]表示第 i 天的股票价格 ;整数 fee 代表了交易股票的手续费用。描述有点长,就不粘了,具体可以看这里。
- 分析:这题是要买卖股票获取最大收益,如果钻进题目里,想着看每天的股价,然后计算收益,列举每一种情况肯定是不可取的,因为去循环每天的股价计算收益,在循环的时候,我们不知道后续的情况,所以是无法计算出收益最大值的,那我们跳出来,把自己放到时间的外面来看呢,带点抽象的思维:
1、阶段:这里的阶段肯定是每一天了,一天是一个阶段,我们以一天结束的时间为阶段点;
2、状态:我们能做什么?我们能做的就是买卖股票,所以状态就是每天的股票变化,这里的状态有两种可能:持有股票和没持有股票。通过买卖股票来进行状态转移:前一天持有股票,当天才能卖股票获得收益,然后状态就变成了未持有股票,买入股票同理;
3、决策:这题需要求出最大利益,所以决策就是收益最大的方案。 - 实现
public int maxProfit(int[] prices, int fee) {
if (prices.length == 0){
return 0;
}
int n = prices.length;
//第i天结束有两种状态,持有股票和不持有股票
int[][] f1 = new int[n][2];
f1[0][0] = -prices[0]; //第一天结束持有股票肯定是这天买入的
for (int i = 1; i < n; i++){
//持有股票有两种可能:1、这天买入(这天能买入说明前一天肯定是没有持有股票的);2、前一天就买入了
f1[i][0] = Math.max(f1[i - 1][1] - prices[i], f1[i - 1][0]);
//不持有股票有两种可能:1、这天卖出;2、前一天就不持有
f1[i][1] = Math.max(f1[i - 1][0] + prices[i] - fee, f1[i - 1][1]);
}
return Math.max(f1[n - 1][0], f1[n - 1][1]);
}
我的感觉就是理解动态规划还是需要一点抽象思维的,要跳出来去看待问题,还是有点意思的。